Leveraging Image-based Generative Adversarial Networks for Time Series Generation

要約

画像の生成モデルは、複雑なデータ分布から現実的なサンプルを生成できるため、コンピューター ビジョンや自然言語処理で大きな注目を集めています。
時系列領域の画像ベースの生成モデルの進歩を活用するために、時系列の 2 次元画像表現である Extended Intertemporal Return Plot (XIRP) を提案します。
私たちのアプローチは、スケール不変かつ可逆的な方法で時系列間のダイナミクスを捉え、トレーニング時間を短縮し、サンプルの品質を向上させます。
勾配ペナルティを備えた既製の Wasserstein GAN (WGAN-GP) によって取得された合成 XIRP を、類似性と予測能力メトリクスに関して他の画像表現およびモデルとベンチマークします。
私たちの斬新で検証済みの時系列画像表現は、予測能力に関して最先端の RNN ベースの生成モデルを一貫して大幅に上回っています。
さらに、改善された確率的逆変換を導入して、表現に関係なくシミュレーションの品質を大幅に向上させ、他の領域での転移の可能性の見通しを提供します。

要約(オリジナル)

Generative models for images have gained significant attention in computer vision and natural language processing due to their ability to generate realistic samples from complex data distributions. To leverage the advances of image-based generative models for the time series domain, we propose a two-dimensional image representation for time series, the Extended Intertemporal Return Plot (XIRP). Our approach captures the intertemporal time series dynamics in a scale-invariant and invertible way, reducing training time and improving sample quality. We benchmark synthetic XIRPs obtained by an off-the-shelf Wasserstein GAN with gradient penalty (WGAN-GP) to other image representations and models regarding similarity and predictive ability metrics. Our novel, validated image representation for time series consistently and significantly outperforms a state-of-the-art RNN-based generative model regarding predictive ability. Further, we introduce an improved stochastic inversion to substantially improve simulation quality regardless of the representation and provide the prospect of transfer potentials in other domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google